基于EMD与Elman神经网络的太阳黑子活动预测

针对太阳黑子时间序列非平稳、混沌及难以预测等特性,建立一种基于经验模态分解(empirical mode decomposition,EMD)与Elman神经网络的组合预测模型。将太阳黑子时间序列通过经验模态分解方法分解为一些不同时间尺度的本征模函数分量和剩余分量,分别对其构建样本,输入到Elman神经网络进行训练和预测,得到各个分量的预测值,并对这些预测值进行求和,得到最终预测结果。对比仿真结果表明,该模型预测精度较高。     

基于模态分解与误差修正策略的原油价格组合预测研究

为进一步提高原油价格的预测精度,基于互补集合经验模态分解(CEEMD)和经过粒子群算法(PSO)优化的BP神经网络构建了一种用于原油价格预测的组合模型。该模型共包括原油价格的初始预测、误差序列的提取及预测和初始预测结果的误差补偿。使用WTI和Brent原油现货价格日度数据对所提组合模型的有效性进行了验证,实验结果表明:本文提出的误差预测方法可以准确地刻画误差序列的演化规律;基于误差补偿的原油价格组合预测模型可以显著地提高单一模型的预测精度。     

基于CEEMD_GRU模型的矿井涌水量预测

为了提高矿井涌水量的预测精度,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)与门控循环单元(gated recurrent unit,GRU)相结合的矿井涌水量预测模型(CEEMD_GRU).首先,通过CEEMD算法将一维涌水量数据分解为多个本征模态函数(intrinsic mode function,IMF)分量和一个残差余量,本征模态函数分量反映涌水量数据在不同时间尺度的波动特征,残差余量反映数据长期变化的趋势特征;然后,针对各分量分别建立GRU神经网络模型,将对一维数据的研究转换为对其分解后多维子分量的研究,训练学习各分量的时序变化规律并进行预测;最后,将预测结果融合得到最终涌水量预测值.将CEEMD_GRU与反向传播(back propagation,BP)、支持向量机(support vector machine,SVM)、GRU神经网络进行了对比实验,结果表明,基于CEEMD_GRU的均方根误差平均降低了60.8％,该研究为进一步提高矿井涌水量预测精度提供了思路.     

基于Elman的CO_2离心式压缩机透平转速预测

针对目前CO2离心式压缩机透平转速预测难以实现,并且采用常规的预测方法很难达到良好的效果,提出一种基于Elman神经网络的离心式压缩机透平转速预测方法,利用MATLAB实现了Elman神经网络转速预测模型.仿真结果表明,Elman神经网络预测模型能够实现较高精度的预测.     

基于EMD-LSTM的时间序列预测方法

工程应用中的时间序列多为非线性、非平稳序列,直接对其进行预测难度较大.本研究通过经验模态分解算法将原始时间序列分解为多个相对平稳,并具有不同特征尺度的本征模态函数及趋势项,在一定程度上降低时间序列的复杂程度;同时,在预测过程中,针对递归神经网络模型难以训练及梯度消失等问题,引入长短期记忆网络算法.利用长短期记忆网络算法对分解的本征模态函数分量及趋势项进行分别预测,叠加预测结果得到最终预测结果.以中国北京市PM_(2.5)浓度为例进行预测分析,并将本预测算法与单一预测算法进行比较,结果表明,所提方法具有更高的模型预测精度,达到预测要求.     

基于粒子群算法优化参数的VMD-GRU短期电力负荷预测模型

为了更有效提取电力负荷数据中的特征信息，从原始含噪声较多的负荷序列中提取包含丰富特征信息的信号分量，提高电力负荷预测精度。针对变分模态分解(variational mode decomposition, VMD)参数设定经验与主观性较强，提出一种基于粒子群算法(particle swarm algorithm, PSO)优化参数的变分模态分解和门控循环单元(gated recurrent unit, GRU)的组合模型短期电力负荷预测方法，先通过粒子群算法对VMD最佳影响参数组合进行搜寻，得到最佳效果的分解子序列，减少不同趋势信息对预测精度影响。然后运用GRU网络，针对各子序列分量建立基于GRU的预测模型。最后叠加各子序列预测结果得到短期电力负荷的最终预测值。实验结果表明，相对于相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine, SVM)、GRU模型和EMD-GRU模型以及未经优化VMD-GRU模型，此模型具有更高的负荷预测精度。     

基于灰狼算法和极限学习机的风速多步预测

为了提高风速的多步预测水平,提出了一种基于数据信号分解和灰狼算法优化极限学习机的混合预测模型。首先,使用具有自适应噪声的完全集成经验模态分解算法将原始风速时间序列分解为若干本征模态函数和一个残差序列,并使用偏自相关函数法对模型输入进行特征选择;其次,在分解子序列上分别建立模型并进行预测,构造多输入多输出策略的极限学习机神经网络,使用灰狼优化算法求解其中的最优化隐含层权值和偏置;最后,对子序列进行重构并得到最终的预测结果。使用时间分辨率为15 min的多组实测资料开展模拟实验,所提模型在3个风电场的均方根误差分别为0.859、0.925、0.927 m/s,均低于其他对比模型,验证了该模型在未来4 h风速预测即16步预测中的有效性。     

基于图像质量分析的PM_(2.5)空气质量预测

为了提高空气污染物PM_(2.5)质量浓度预测的准确性,提出了一种基于图像数据预测PM_(2.5)质量浓度的方法.首先用手机或相机获取图像数据,然后用图像质量分析模型提取与PM_(2.5)质量浓度相关的特征向量作为输入,建立一个基于粒子群优化(particle swarm optimization,PSO)算法的支持向量回归机(support vector regression, SVR)(PSO-SVR)预测模型来估计PM_(2.5)的质量浓度.实验结果表明,与SVR模型和用遗传算法(genetic algorithm, GA)优化的支持向量回归机(GA-SVR)模型相比,PSO-SVR模型在预测准确性和实施效率方面具有更好的预测性能.     

基于集合经验模式分解的ARIMA行业售电量预测模型

售电量的准确预测是电力市场课题研究的重要内容之一,目前已有许多模型用于售电量预测。在此背景下,考虑售电量时间序列的非线性、波动性和周期性,提出基于集合经验模式分解和自回归积分滑动算法的预测模型。该模型首先对售电量时间序列进行集合经验模态分解,通过添加白噪声得到不同时间尺度分布的售电量时间序列,分解后得到一系列相对平稳的本征模态函数和趋势项,然后利用自回归积分滑动算法对各平稳化本征模态函数和趋势项分别进行预测,得到各分量的预测结果,最后将分量预测结果叠加得到最终的售电量预测值。基于历史统计售电量数据的预测结果分析表明,基于集合经验模式分解的 ARIMA模型具有良好的预测精度。     

基于Lorenz扰动分布和VMD的神经网络风速预测研究

针对风速的随机性、非线性和不确定性特征,提出基于VMD和Lorenz扰动的神经网络模型进行风速预测。首先,对风速数据采用变分模态分解(VMD)进行预处理,得到特征模态分量,然后采用BP神经网络对每个分量进行预测,并且将分量预测结果进行重构得到风速点预测值,最后以风速点预测为基础,根据核密度估计的Lorenz扰动序列概率分布进行风速区间预测。以西班牙风电场和中国风电场为实例进行预测,预测结果显示:(1)VMD算法可以提高神经网络模型点预测结果的精度;(2)根据Lorenz扰动序列分布进行风速区间估计,不仅量化了大气中不确定的影响因素,而且区间预测结果可靠性较高。     

经验模态分解和神经网络在滚动轴承故障诊断中应用研究

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解的滚动轴承故障诊断方法,对采集的信号范围进行了筛选。利用经验模态分解将振动信号分解为多个平稳的固有模态函数。选取包含主要故障信息的IMF分量分析其时域和频域特征。将时域信号特征量和频谱图峰值对应的频率归一化处理,输入Elman神经网络进行工作状态的自动判断。     

交叉口短时流量CEEMDAN-PE-OSELM预测模型

为提高交叉口短时交通流预测精度,以历史交通流量数据为基础,提出一种基于自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-排列熵(permutation entropy,PE)-在线序贯极限学习机(online sequential extreme learning machine,OSELM)组合预测模型(CEEMDAN-PE-OSELM).首先对交通流历史时间序列数据进行CEEMDAN分解,得到多个本征模态函数(intrinsic mode function,IMF)分量;通过PE算法对IMF分量进行重组,形成具有复杂度差异的重组子序列.然后,分别构建重组子序列OSELM预测模型,将预测结果相加得到最终预测流量.最后选取一实际交叉口,进行模型验证分析.结果表明:CEEMDAN-PE-OSELM模型的MAE、MAPE和MSE的值均低于其他模型,预测误差最小;EC值为0.963,高于ARIMA模型的EC值(0.898),最接近于1,预测精度最高,稳定性最好.就同一预测模型而言,经过CEEMDAN-PE处理的模型的各项误差明显降低,预测精度有所提高.     

基于Bagging算法和Elman-NN融合的短期负荷预测模型

针对传统神经网络经常无法满足短期负荷预测的实际应用要求,本文提出了基于Bagging算法和Elman神经网络结合的电力系统短期负荷预测模型。把经预处理过后的数据分为原始训练集和测试集,然后通过Bootstrap方式在原始训练集中随机抽取若干个子训练集,并建立相应的Elman神经网络负荷预测模型,并将子训练集分别用于训练不同的网络模型,最后利用测试集进行预测,最终的预测结果取不同模型预测结果的平均值。利用训练不同模型的Bagging算法,消除Elman神经网络的不稳定性,提高了预测模型的精度和稳定性。通过某城市负荷预测的实际算例,对所提出的预测模型与单一的Elman神经网络预测模型进行对比分析。分析结果表明,基于Bagging算法和Elman神经网络融合的预测模型具有较好的预测精度和稳定性。该研究具有一定的应用前景。     

基于信息熵加权的Elman神经网络状态趋势预测

为克服预测神经网络输入值对网络输出预测值贡献程度基本等同的缺陷,提出一种信息熵加权的神经网络智能预测方法。提出信息熵权值的计算方法和延时重构的加权前处理方法,并以Elman神经网络为基础,构建基于信息熵加权Elman神经网络的预测模型。烟气轮机状态趋势预测实例表明,基于信息熵加权Elman神经网络预测方法的预测效果较好,为状态趋势预测提供了一种新方法。     

基于多尺度组合模型的区域农业旱灾损失率预测

针对旱灾系统的非平稳和非线性特征,提出了基于经验模态分解和最小二乘支持向量机的多尺度组合预测模型。为了避免分解过程中旱灾序列取值域发生改变的问题,首先采用逆Logistic变换对原始序列的取值域进行扩展;然后使用经验模态分解将旱灾序列进行平稳化,提取出旱灾序列中不同时间尺度的子序列,根据子序列的波动特征选择适用的方法进行预测;最后将预测子序列进行重组和还原。以河南省农业旱灾综合损失率为例进行3步仿真预测。预测结果表明,多尺度组合模型的预测效果和精度均好于最小二乘支持向量机模型的,说明在旱灾序列处理中应优先选用多尺度分析法。     

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.     

基于经验模态分解的PSO-SVM风电功率短期预测

针对风电功率预测对精确度的要求,结合风电机组功率特性曲线及支持向量机非线性拟合,提出了一种基于经验模态分解(EMD)的粒子群算法(PSO)优化支持向量机(SVM)功率短期预测模型。即将EMD分解后的各个风速序列分量通过PSO-SVM模型预测,将得到的各分量预测结果叠加后得到风速预测值,将该值输入功率转化曲线,即可得到最终的风电功率预测结果,以实现对风电机组功率的预测。通过对某地区风电场实际风速为例进行的仿真误差对比分析,得知该组合预测模型不仅有效可行,且有效提高了短期风电功率的预测精度。     

基于HHT的电力负荷组合预测模型研究与应用

为了进一步提高电力负荷预测精度,在对电力负荷影响因素分析的基础上,提出了一种基于HHT的负荷组合预测模型.该模型利用EMD算法将原始负荷序列分解,得到不同频率的平稳子序列,子序列比原始序列更具可预测性.根据不同频率的子序列特点选取RBF神经网络、BP神经网络和时间序列模型分别预测,同时考虑温度对负荷的影响,得到新的组合模型.算例表明,该模型能有效提高电力负荷预测精度.     

一种基于HHT的短期电价组合预测方法

短期电价预测保障了电力市场中各参与方的最大效益,针对非平稳非线性的电价序列,提出了一种基于Hilbert-Huang变换的组合预测模型.首先将电价序列进行经验模态分解,得到若干固有模态函数分量及余项,其次根据各分量变化规律分别进行预测,最后将各分量的预测结果相加即为电价预测值.并以美国PJM(Pennsylvania-New Jersey-Maryland)电力市场的实际数据进行仿真,将各算法的预测结果进行比较,得出此方法预测精度均高于单一预测模型,其最大绝对误差为1.53 S|/MWh,平均绝对误差为1.61%,由此表明,该模型具有较高的预测精度.     

非线性非平稳波浪极短期预测的复合优化模型

海浪的时间序列一般具有非线性和非平稳性,针对直接对其进行预测精度较差,本文利用复合模型对波浪进行了预测.利用长短期记忆神经网络模型的非线性学习能力和经验模态分解的非平稳数据处理能力,采用镜像对称和长短期记忆算法联合消除经验模态分解端点效应,建立了一种用于不规则波极短期预测的复合经验模态分解-长短期记忆模型.研究表明:通...